Alpha稳定分布随机变量的产生

在实际应用中遇到的大量的非高斯信号或噪声具有显著的尖峰脉冲特性,其概率密度函数的衰减过程比高斯分布要慢,表现出显著的拖尾。而基于广义中心极限定理的Alpha稳定分布描述了信号统计分布的非高斯性和重拖尾性。实现服从Alpha稳定分布随机变量的仿真是开展相关研究的基础。该文由S2参数系下的分布模型的仿真算法导出标准参数系下Alpha稳定分布随机变量的仿真算法。并通过仿真实验证实了该仿真算法的可行性。     

拖尾Rayleigh 分布: 基本性质及其应用

针对使用拖尾Rayleigh分布对合成孔径雷达(Synthetic aperture radar, SAR)幅值图像建模时遇到的问题, 本文讨论了拖尾Rayleigh分布的相关性质及其应用. 首先, 基于负数阶矩理论, 本文提出了拖尾Rayleigh分布的比值估计、对数矩估计和迭代对数矩估计三种参数估计方法, 并通过Monte Carlo仿真实验比较了它们的估计性能. 其次, 本文使用渐近级数计算拖尾Rayleigh分布的概率密度函数, 基于插值多项式拟合, 提出了高效计算密度函数的三步方法. 最后, 本文给出了SAR幅值图像基于拖尾Rayleigh分布的建模实例. 结果表明, 和一般的Rayleigh分布相比, 拖尾Rayleigh分布可以精确反映SAR幅值图像尖峰厚尾的统计特征, 因此它是SAR幅值图像建模的有效工具.     

基于混合Kotz-型分布的多分类人脸识别方法

针对实际人脸图像中含有重尾噪声的问题,提出一种基于混合Kotz-型分布的多分类人脸识别方法。利用Kotz-型分布与广义逆厂分布混合表现出的较厚拖尾特性,结合核方法和概率统计知识,通过调节混合Kotz-型分布中的参数,估计人脸图像中重尾噪声的拖尾情况。分别向ORL人脸库、Yale人脸库、Randface人脸库添加程度不同的重尾噪声,形成新的含有不同程度重尾噪声的人脸库,通过对3个人脸库进行验证,结果表明,该方法能较好地估计人脸图像的拖尾特性,对含有重尾噪声的人脸图像有较高的识别率。     

基于泛化高斯模型infomax算法的水声信号盲分离

在信号盲分离领域中,信息最大化算法是一种比较成熟的算法,尤其在处理语音信号盲分离问题中,有着较好的效果.通过对水声信号幅值分布的研究,将基于概率密度函数估计的信息最大化算法运用到水声信号盲分离中,并通过仿真实验比较了基于不同概率密度函数的信息最大化算法对水声信号盲分离的效果.ICA算法的成功与否取决于它的概率密度模型是否能较好的拟合信号本身固有的统计分布.通过对船舶辐射噪声信号的盲分离实验证明了GGM能较好的拟合船舶辐射信号及海洋噪声信号这两种不同的概率分布.     

一种基于动态源数目估计的RLS盲分离算法

针对原始RLS类算法无法用于超定和源信号数目动态变化的盲分离问题,本文采用一种新的在线估计源信号数目的方法。通过在线估计观测信号均值和协方差矩阵,定义一个关于源信号数目的代价函数,然后最小化代价函数可得到源信号数目的估计。并且利用估计得到的源数目动态调整RLS算法中的分离矩阵及其它相关参数矩阵的维数,进而使得改进RLS盲分离算法能够有效地分离超定和数目动态变化的源信号。仿真结果表明,新的算法比现有算法具有更好的收敛性和分离性能。     

基于预处理提高角度频率联合估计的稳健性

研究了可建模为对称α稳定（SαS）分布的冲击噪声环境中的联合角度频率估计问题。利用SαS分布的特性，首先对阵列接收数据做高斯拖尾零记忆非线性变换（GZMNL）进行预处理，以降低幅值大的异常数据对参数估计性能的影响，然后给出了用2-D ESPRIT型方法来联合估计信号的二维参数。计算机仿真结果显示了所给算法的有效性及其对冲击噪声环境的稳健性。     

基于邻域场拉普拉斯混合模型图像分割的研究

针对高斯混合模型（GMM）不能有效处理重尾噪声下图像拖尾情况,提出了基于拉普拉斯（Laplacian）分布的有限混合模型图像分割方法。与标准拉普拉斯混合模型（LMM）将像素点作为孤立个体不同的是,该方法充分考虑了相邻像素点间的空间关系。相较传统混合模型参数估计采用的EM算法,该方法采用梯度下降法优化参数。实验结果表明在处理重尾噪声时,该方法与标准LMM算法和GMM算法相比,鲁棒性更好,分割更精确有效。     

基于ICA新算法的图像盲分离

提出了一种基于非参数熵的图像盲分离新算法。该方法根据K—L散度作为信号之间独立性优化准则，不利用概率密度函数知识，由观测向量直接估计m—spacing熵，通过穷举搜索法寻找目标函数的最小值从而获得最佳旋转矩阵进行盲源分离，适合图像像素分布多样性特点。大量实验证实，该算法鲁棒性好、分离指标高、性能优于传统FASTICA、自然梯度等自适应算法。     

基于多元混合高斯分布的多分类人脸识别方法

针对实际人脸图像含有的噪声模型常常表现出的非高斯特性, 该非高斯特性具有较厚重的拖尾现象, 提出一种基于多元混合高斯分布的多分类人脸识别方法。该方法将多元混合高斯分布、核函数、概率密度函数估计中的参数估计以及贝叶斯理论结合起来, 能对含有重尾噪声的人脸图像有较高的识别率。用ORL标准人脸库进行验证, 实验结果表明了可行性。     

MCMC方法在生物逆问题求解中的应用

提出用马尔科夫链蒙特卡罗（MCMC）方法来求解生物逆问题。导出待求参数分布规律的后验概率密度函数;采用自适应Metropolis算法构造Markov链;然后截取收敛的链序列计算数学期望,成功估计出未知参数。数值实验结果表明,该方法具有很高的估计精度和较好的抗噪声性能。     

基于极大似然Parzen窗的独立成分分析

提出一种新的独立成分分析算法,在利用直方图估计概率密度函数的基础上,由极大似然函数法构造独立信号的特征,并且在估计概率密度函数时,对相应的阶梯函数采用磨光处理,引入参数 ,并证明了 的选择依赖于信号的统计特征以及采样的样本总数。模拟实验结果表明,该算法能提高信号干扰比。     

独立成分分析算法及其在脑电图中的应用

研究脑电图成像的数据处理问题时,独立成分分析(ICA)是一种新的信号处理统计方法,被广泛用于各个领域.脑电图就是,利用独立成分分析从混合信号中还原出源信号,通过目标函数,如极大似然估计,信息最大化和互信息最小化等,对源信号的概率密度函数(PDF)进行估计.在基于互信息最小化算法的基础上,提出一种新的独立成分分析算法,算法中的核心参数是由信号本身来确定的,能使所估计的PDF更加准确,从而提高分离的性能.最后,用新的ICA算法来实现脑电图(EEG)信号的盲源分离,结果表明,算法可以快速有效的分离其源信号,且准确性优于Boscolo提出的非参量ICA模型.     

改进的粒子滤波单通道盲分离算法

针对粒子滤波在通信混合信号单通道盲分离中存在固定参数联合估计精度低,收敛速度慢等问题,提出了一种改进的盲分离算法。通过对传统的随机游走模型加以修改,并将参数粒子的后验概率密度分布近似为Beta分布,提高了参数估计的收敛速度和精度,改善了分离性能;为了衡量算法的参数估计性能,推导了符号已知条件下的参数联合估计克拉美罗界。实验仿真结果表明,算法具有更好的参数估计性能和分离性能。     

一种DTMB系统信道估计改进算法

为减小拖尾效应和加性噪声对数字电视地面广播(DTMB)系统的信道估计精度的不利影响,针对DTMB系统帧头模式2下的信道估计,提出一种改进的最小二乘(LS)信道估计算法.该算法采用试凑法从DTMB系统信号帧中PN帧头序列内选取最佳的一段PN序列,利用所选取最佳PN序列构造用于改进的LS信道估计算法的最优频域子载波,使用改进的LS信道估计算法获取信道的脉冲响应估计初值;并根据信号的正交振幅调制(QAM)方式,选取最佳噪声门限对信道的脉冲响应估计初值进行时域滤波去噪,以获得信道脉冲响应终值.仿真结果表明,该算法可有效减小拖尾效应和加性噪声对信道估计精度的影响,提高DTMB系统在帧头模式2下信道估计的精度.     

一种基于多层神经网络的盲信号分离算法

基于多层神经网络,提出一种盲信号分离算法.该算法不对信号的密度模型做任何假设,通过多层神经网络估计任意信号的概率密度函数,并由此估计信号的评价函数.同其他方法相比,该方法不仅具有更好的分离性能,而且收敛速度较快.该方法可直接应用于所有以非线性函数代替评价函数的盲信号分离算法.实验验证了方法的有效性.     

基于分数阶矩和NM单纯形算法的海杂波参数估计

针对海杂波K分布形状参数和尺度参数的估计问题,提出了基于分数阶矩和NM单纯形算法的参数估计,首先采用分数阶矩估计法作为形状参数和尺度参数的初始值,然后利用NM单纯形算法进行数值搜索获得K分布形状参数和尺度参数的估计值。与实测的X波段海杂波概率密度函数对比表明,K分布优于Gamma分布和Weibull分布,其估计值与实测值最相吻合,且具有最小的均方根误差。对于一维的海杂波来讲,该方法是一种计算效率适中的算法。     

基于MH抽样逐次搜索的快速MUSIC算法

传统MUSIC测向算法直接用于二维DOA估计时,需要在参数空间中进行二维谱峰搜索,计算量很大.针对该问题,结合了马尔可夫蒙特卡罗(MCMC)方法与逐次搜索的方法,提出一种快速的MUSIC测向算法.该算法通过将MUSIC谱函数视为信号来向的概率密度函数,采用MCMC的Metropolis-Hastings抽样器对其进行采样,并利用;肖除空间相关性进行逐次搜索从而估计出各个信号的来向,能够在保持常规MUSIC算法性能的高分辨能力同时大大减少运算量.仿真结果表明了该算法的有效性.     

稳健的重尾线性赌博机算法

线性赌博机模型是在线学习的基本模型之一，其每个摇臂的平均奖赏可以由线性函数进行参数化.该模型具有坚实的理论保证和良好的实际建模能力，被广泛应用于各个场景.然而在一些现实场景中，数据通常是从开放动态环境中收集得到，因而会存在数据不规范的问题，已有算法缺乏对此的稳健性.特别关注2类数据的不规范性：奖励函数的回归参数可能随时间变化，环境噪声可能无界，甚至不服从亚高斯分布.这2类问题分别被称为分布变化和重尾噪声.为了应对这2类不利因素，提出一种基于置信上界的在线算法，该算法使用均值中位数估计器以处理潜在的重尾噪声，同时采用重启机制来解决分布变化问题.在理论上，首先建立了问题的遗憾理论下界，进一步给出了算法的理论保障，所取得的结果可以回退到已有研究中没有分布变化或没有重尾噪声场景线性赌博机的理论结果.此外，针对未知环境设计了实用的在线集成适应技术，并在合成和真实世界的数据集上进行了广泛的实验来验证其有效性.     

多声传感器异步融合算法

声探测定位技术是利用声传感器接收特定声波信号以确定声源的一种无源定位技术,它具有隐蔽性好、不易受干扰等优点.本文研究了仅能提供方位角信息的异步多声传感器无源探测系统数据融合问题,提出了一种适用于声传感器的在线估计可变周期融合算法.该算法首先采用伪线性算法,将非线性量测方程线性化;然后通过采用参数在线估计和基于运动模型向前追溯确保时间同步的方法,解决了目标跟踪时信号传输时延和传感器异步的问题.通过Monte Carlo仿真表明,在参数在线估计中,步长选取适当时,该算法可以满足声探测系统的精度要求,并且具有收敛快、精度高、稳定的特点.     

一种自适应在线核密度估计方法

给定一组观察数据,估计其潜在的概率密度函数是统计学中的一项基本任务,被称为密度估计问题.随着数据收集技术的发展,出现了大量的实时流式数据,其特点是数据量大,数据产生速度快,并且数据的潜在分布也可能随着时间而发生变化,对这类数据分布的估计也成为亟待解决的问题.然而,在传统的密度估计算法中,参数式算法因为有较强的模型假设导致其表达能力有限,非参数式算法虽然具有更好的表达能力,但其计算复杂度通常很高.因此,它们都无法很好地应用于这种流式数据的场景.通过分析基于竞争学习的学习过程,提出了一种在线密度估计算法来完成流式数据上的密度估计任务,并且分析了其与高斯混合模型之间的密切联系.最后,将所提算法与现有的密度估计算法进行对比实验.实验结果表明,与现有的在线密度估计算法相比,所提算法能够取得更好的估计结果,并且能够基本上达到当前最好的离线密度估计算法的估计性能.